Orodha ya Utatuzi wa mafumbo x Jibu lisilo sahihi

Kushindwa kwa kategoria za AI BENCHY

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Utatuzi wa mafumbo, ili uone udhaifu haraka. Panga kwa: Muda wa majibu (wastani) ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Grok 4.20 1

Sababu za kushindwa

Jibu lisilo sahihi85 Hakufuata maelekezo75 Muda umeisha6 Muundo wa ziada2 Hitilafu ya API1

Kategoria

Mahususi kwa domeni182 Mbinu za kupinga AI165 Utatuzi wa mafumbo85 Ufuataji wa maagizo44 Mchanganyiko37 Uandishi wa msimbo28 Uchanganuzi na uchimbaji wa data19 Akili ya jumla10 Mwito wa zana2

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Majaribio sahihi	Muda wa majibu (wastani)
#82	Grok 4.20 none	X AI	1	5.3	1/3	487ms
#91	Mercury 2 none	Inception	3	3.1	0/3	533ms
#79	Grok 4.20 Beta none	X AI	1	5.9	1/3	541ms
#62	Gemini 2.5 Flash none	Google	1	5.7	1/3	576ms
#83	Mistral Small 4 none	Mistral	1	3.1	0/3	589ms
#90	Qwen3.5-9B none	Qwen	1	3.2	0/3	683ms
#60	Gemma 4 26B A4B none	Google	1	5.7	1/3	739ms
#85	Elephant none	Openrouter	2	3.3	0/3	849ms
#86	GPT-5.4 Mini none	OpenAI	1	5.4	1/3	860ms
#81	Elephant medium	Openrouter	1	3.7	0/3	867ms
#54	Mercury 2 medium	Inception	1	3.9	0/3	934ms
#70	Qwen3.5-122B-A10B none	Qwen	2	5.4	1/3	982ms
#74	GLM 4.7 Flash none	Z.ai	1	4.4	0/3	1.00s
#21	Gemini 3 Flash Preview none	Google	1	7.7	2/3	1.06s
#95	Grok 4.1 Fast none	X AI	3	3.2	0/3	1.28s

1 2 3 4 5

→

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Utatuzi wa mafumbo: Jibu lisilo sahihi

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa